【AI工具推荐】1.5万星!腾讯开源的Agent记忆中枢,让你的AI助手终于不再＂失忆＂了

1.5万星！腾讯开源的Agent记忆中枢，让你的AI助手终于不再"失忆"了

TencentCloud/TencentDB-Agent-Memory：GitHub 15K+ Stars，腾讯云数据库团队开源，MIT协议，80天Star破万，8月6日发布Team Memory新版本

你有没有遇到过这种情况

昨天跟AI Agent聊了两小时项目背景，今天打开新会话——它全忘了。

你不得不把需求文档重新粘贴一遍，把技术选型再解释一遍，把"上次那个坑别踩"的教训再说一遍。

更离谱的是，你花了一下午让Agent跑通了一个排障流程，第二天换个会话，它又开始从头摸索。同事问"上次怎么解决的"，Agent一脸茫然地看着你。

这不是模型不够聪明的问题。这是Agent天生没有"长期记忆"的问题。

每个会话都是一座孤岛。经验留不下来，跨不过会话的边界。你的Agent不是一个在成长的助手，而是一个每次见面都要重新自我介绍的陌生人。

如果你同时用多个Agent——一个写代码、一个做调研、一个管运维——它们之间的经验完全不通。写代码的Agent踩过的坑，做运维的Agent下次照踩不误。

腾讯云最近开源了一个项目，专门解决这个问题。而且解决方案的优雅程度，远超你的想象。

TencentDB Agent Memory：让Agent记住该记住的

一句话定位：Agent的长期记忆基础设施。

8月6日，腾讯云数据库团队发布了 TencentDB Agent Memory 的全新版本——Team Memory。将长期记忆能力从个人使用扩展到团队协作场景。

数据说话：开源80天，GitHub Star突破15,000，多次登上GitHub Trending第一。22位贡献者，103次提交，54个活跃Issue，289个PR。这不是一个demo项目，这是腾讯云数据库团队在生产环境验证后拿出来的工程级方案。

项目 slogan 写得很有态度：

Agents remember, Humans innovate.（Agent负责记忆，人类负责创新。）

核心公式很简单：

Agent Memory = 短期记忆压缩（解决"窗口满了"） + 长期个性化记忆（解决"跨会话失忆"）

但"简单"两个字背后，藏着一套相当精妙的分层架构。

四层记忆金字塔：不是记住一切，而是分层提炼

传统记忆系统怎么做的？把数据切碎，扔进向量库，需要的时候做语义检索。本质上就是一个平铺的"记忆仓库"——所有记忆地位平等，没有层级结构。

这种方案有两个致命问题：

第一，召回效率低。 当你问Agent"上次那个项目的技术方案是什么"，它需要在几千条碎片中做盲目搜索，没有宏观指引。就像在一万个便利贴里找一句话。

第二，上下文浪费。 为了让Agent"想起来"，你不得不把相关的记忆全灌进上下文。结果记忆没帮上忙，反而把窗口占满了。

TencentDB Agent Memory 完全不同。它设计了一条异步提炼流水线，让记忆像酿酒一样逐层生长：

层级	保存什么	类比	用途
L0 Conversation	原始对话和完整上下文	日记本	核对原话、时间和来源
L1 Atom	事实、偏好、约束与事件	便签纸	精确召回可执行信息
L2 Scenario	围绕项目或场景的知识块	笔记本	快速恢复一个工作场景
L3 Persona	长期画像、稳定模式	简历	让Agent秒进用户语境

为什么要分层？因为不同场景需要不同粒度的记忆。

平时让Agent快速进入状态？加载L3画像和L2场景就够了，信息密度高、Token占用小。需要核对某个具体事实？往下钻取到L1原子和L0原始对话。

粗粒度负责"快进"，细粒度负责"取证"。

更关键的是，整个Pipeline是异步在后台跑的。对话先落L0，满足触发条件后L1抽取记忆、L2组织场景、L3生成画像，一层层往上长。你不需要手动整理，系统自动帮你完成。

而且每一层都可以白盒审查——L2 Scenario是纯Markdown，打开就能看；L3 Persona在persona.md里，可以追溯到产生它的Scenario。不是黑盒向量数据库，而是你能理解、能检查的记忆系统。

Mermaid符号记忆：把几十万Token压到几百个

这是整个项目最让我兴奋的设计。

长任务中，最大的Token消耗来自冗长的中间日志：搜索结果动辄8K Token，代码文件5K，错误堆栈3K……50步的任务，上下文可能被撑到几十万Token，成本直接爆表。

更糟的是，当上下文装不下时，早期的任务背景和已完成步骤被截断。Agent不知道自己走到了哪里，开始重复劳动或走错方向。

TencentDB Agent Memory的解法是上下文卸载 + 符号记忆：

1. 卸载全文：把完整的工具日志存到外部文件（refs/*.md）

2. 提取关系：从日志中抽取任务状态转换关系

3. 符号注入：把状态提炼成一张Mermaid流程图，注入上下文

4. 按需追溯：每个节点带node_id，出错时按ID检索原始内容

效果？看数据：

• Token消耗直降61.38%（WideSearch评测：221.31M → 85.64M）

• 任务成功率相对提升51.52%（33% → 50%）

• PersonaMem准确率从48%提升到76%

这不是简单的压缩——压缩会丢失信息。这是结构化降维：把线性堆积的日志，变成一张高密度的状态图。Agent只需要看顶层结构，出错时才下钻到具体节点。

上层保结构，下层保证据。可折叠、可展开、可审计。

打个比方：传统方法是把整本操作手册塞进Agent脑子里，这个方案是给Agent一张思维导图，需要细节时翻到对应章节。

四类记忆资产：不只是"记住对话"

Team Memory版本最核心的升级，是把记忆从单一的对话历史，扩展为四类可治理的记忆资产：

1. Chat Memory（聊天记忆）

从对话中逐层提炼的用户偏好、事实、决策。比如"别重构旧鉴权模块，移动端还在用"——这种代价极高的上下文，不该靠人每次重新提醒。每个Agent自动获得独立记忆，下次对话不必从自我介绍开始。

2. Skill（技能）

从成功任务中提炼的可复用做法。它不是一段Prompt，而是带版本号、资源文件、触发边界、执行步骤和验证规则的完整SOP。排障、Code Review、上线检查这类流程，练会一次，全队可用。个人Skill默认私有，审核后才能分享给团队。

3. LLM-Wiki（知识库）

把产品文档、设计方案、运维手册变成结构化页面加链接图谱。灵感来自Karpathy关于LLM知识库的实践——把文档当成由LLM增量维护、可持续复利的知识产物，而不是一次性切片入库的死材料。Agent沿着链接下钻定位，不用先把整个文件目录读完。

4. CodeGraph（代码图谱）

索引代码中的符号、文件、调用关系和影响路径。Agent改代码前先做impact analysis，知道动这个函数会牵连哪些调用方。这一能力复用了开源项目CodeGraph的实现。

四类资产构成了一个完整闭环：

对话沉淀经验（Chat Memory + Skill），文档代码沉淀知识（Wiki + CodeGraph）。

这些资产统一登记、统一管理、统一配装。换模型、换框架，经验不丢。

Team Memory：一个人的记忆，变成整个团队的资产

这是新版本最打动我的功能。

过去，你沉淀的排障经验只存在于你自己的Agent会话里。团队里其他人遇到同样的问题？从头来。

Team Memory改变了这个局面：

• 你沉淀的Skill，审核后可以共享给团队

• 项目Wiki可以统一提供给开发、测试、评审Agent使用

• 每项记忆都有Owner、版本、状态和使用记录

• 共享范围从私有→团队→指定用户/Agent，多层级权限控制

实际使用流程是这样的：

1. 创建一个Team，定义不同角色的Agent

2. 导入代码库、项目文档和历史Agent Session

3. 开启新会话时，选择Team、Agent和Task

4. 系统自动把相关记忆、Skill、Wiki和代码知识注入上下文

一个人管理一支Agent团队，这不是比喻，是Memory Hub控制台的实际功能。

更关键的是：团队换模型或Agent框架后，这些经验仍然可以继续使用。记忆不绑定某个特定Agent，它是可移植的团队资产。

5分钟上手：零配置即可开启

安装过程简单到令人发指：

# OpenClaw 用户（一行安装） openclaw plugins install @tencentdb-agent-memory/memory-tencentdb

配置文件只需一行：

{   "memory-tencentdb": { "enabled": true } }

默认使用本地 SQLite + sqlite-vec 后端，开箱即用。零配置启用后，系统自动处理对话捕获、记忆提取、场景聚合、画像生成和召回。

也支持 Hermes Agent（Docker一键部署或插件式接入）、Windows原生安装。混合检索支持BM25关键词 + 向量语义 + RRF融合排序，召回策略可选keyword/embedding/hybrid。

所有参数都有合理默认值。想调？三层配置深度：日常调参（90%场景）→ 高级调优（长任务/长会话）→ 全参数参考（运维/自定义模型）。

对比：和其他记忆方案有什么不同？

对比维度	TencentDB Agent Memory	传统RAG	Mem0	上下文窗口
记忆结构	四层金字塔（L0-L3）	平铺向量	单层事实	无持久化
短期压缩	Mermaid符号+上下文卸载	❌	❌	窗口截断
长期提炼	异步Pipeline逐层生长	❌	简单去重	❌
团队治理	Owner/版本/权限/审计	❌	基础	❌
白盒调试	Markdown可读可检	向量分数黑盒	部分	❌
跨框架	OpenClaw/Hermes/Claude Code	需自建	需适配	❌
冷启动	导入GitHub/文档/历史Session	从零开始	从零开始	从零开始

最核心的区别：传统RAG做的是记忆的存储，TencentDB Agent Memory做的是记忆的治理。

它不只关心"存什么"，更关心"什么值得留下、谁可以使用、怎样拿得又少又准"。这三条划出了它和普通RAG的边界。

实测数据：不是PPT，是真实Benchmark

项目README给出了详细的Benchmark数据（注意：都是连续长周期会话，不是单轮测试）：

能力	评测集	OpenClaw原生	加Agent Memory	相对提升	Token节省
短期记忆	WideSearch	33%	50%	+51.52%	-61.38%
短期记忆	SWE-bench	58.4%	64.2%	+9.93%	-33.09%
短期记忆	AA-LCR	44.0%	47.5%	+7.95%	-30.98%
长期记忆	PersonaMem	48%	76%	+59%	—

SWE-bench的测试尤其有说服力：每个session跑50个连续任务，模拟真实长周期Agent的上下文累积压力。在这种极端条件下，Token消耗仍然降了三分之一。

数字不会骗人。这不是"差不多"的改进，是质变。

写在最后

AI Agent正在从"单轮问答"走向"长周期业务协同"。但如果没有可靠的记忆系统，Agent永远只是一个每次都要从头教起的实习生。

TencentDB Agent Memory 解决的是一个基础设施层面的问题：让Agent沉淀经验，让人专注创造。

它不是最炫酷的AI项目，但可能是最"实用"的那一个。因为每一个在用Agent的人，都被"失忆"问题折磨过。

而且这个项目有个很重要的信号意义：腾讯云把数据库团队的技术积累拿出来做Agent记忆。这意味着Agent Memory不是一个附属功能，而是被当作数据库领域的核心能力在投入。

🔗 项目地址：https://github.com/TencentCloud/TencentDB-Agent-Memory

📜 协议：MIT

⭐ 当前Star：15,000+

📅 最新版本：Team Memory（2026年8月6日发布）

今日互动：你在使用AI Agent时，最让你崩溃的"失忆"经历是什么？评论区聊聊 👇

#AIAgent #腾讯云 #开源项目 #AgentMemory #长期记忆 #AI工具 #开发者工具 #TeamMemory #效率神器 #GitHub热门项目